Skip to content

Statistics › 實驗設計 › 核心概念

核心概念與名詞 (Core Concepts & Terminology) ​

很多實驗設計錯誤來自概念混淆:把干擾變數當控制變數、把觀測單位當實驗單位,都會導致分析錯誤。存活分析的資料結構見 存活分析核心概念。

變數類型 ​

類型定義例子(藥物試驗)怎麼處理
自變數 (independent variable, IV)研究者操弄的「因」劑量 0 / 10 / 20 mg隨機分派
依變數 (dependent variable, DV)量測的「果」治療後血壓—
干擾變數 (confounder)同時影響 IV 與 DV,扭曲效果年齡(影響劑量選擇與血壓)隨機化;觀察研究只能統計調整
雜訊變數 (nuisance variable)影響 DV 但不是研究重點,只增加變異實驗技術員、時段、定序批次區集化或放進模型
區集變數 (blocking variable)用設計控制的雜訊變數多中心試驗的醫院每個區集內都有所有處理
共變數 (covariate)與處理一起量測,用來降低誤差治療前基線血壓ANCOVA、迴歸調整

干擾 vs 雜訊:干擾變數會造成偏誤(危險);雜訊變數只增加變異(降低檢定力)。前者靠隨機化,後者靠區集化。

實驗單位 vs 觀測單位 ​

名詞定義例子
實驗單位 (experimental unit, EU)獨立接受處理的最小單位接受藥物的病人、一隻小鼠、一盤培養皿
觀測單位 (observational unit, OU)實際被量測的單位該病人的血液樣本、小鼠的每個細胞

EU ≠ OU 時:對一頭牛給處理、量 5 次牛奶,EU 是牛、OU 是牛奶樣本。把 n = 5 當獨立樣本就是假重複 (pseudoreplication),會嚴重低估 SE。

python
import numpy as np
import pandas as pd

rng = np.random.default_rng(42)
data = pd.DataFrame({
    "cow_id": np.repeat([1, 2, 3], 5),                 # 3 個實驗單位
    "treatment": np.repeat(["A", "B", "A"], 5),
    "milk_yield": rng.normal(20, 2, 15),               # 每頭 5 次量測
})

len(data)                                              # ❌ n = 15
eu = data.groupby(["cow_id", "treatment"], as_index=False)["milk_yield"].mean()
len(eu)                                                # ✅ n = 3,先彙總到 EU 層級
# 或保留所有量測,用混合模型:milk_yield ~ treatment + (1 | cow_id)

生物實驗中的重複 ​

類型定義用途能否當作 n?
生物重複 (biological replicate)不同個體 / 獨立培養的樣本推論到母體、估計生物變異✅
技術重複 (technical replicate)同一樣本重複量測(同一 RNA 跑兩次)估計量測誤差❌ 先平均
細胞 / 讀值同一樣本內的大量觀測—❌

單細胞資料比較組別時,有效樣本數是捐贈者 / 小鼠數,不是細胞數。見 假設檢查:獨立性、混合效應模型。

因子、水準與處理 ​

名詞定義例子
因子 (factor)研究的類別自變數藥物種類
水準 (level)因子的具體取值A、B、安慰劑
處理 (treatment)施加的水準組合藥物 A 10 mg
對照組 (control)比較基準安慰劑組、未處理組、vehicle control
安慰劑 (placebo)外觀相同但無效的處理糖錠

單因子:藥物(3 水準)→ 3 組。兩因子:藥物(3)× 劑量(2)→ 6 個處理組合。完全因子設計 (full factorial) 測試所有組合,能偵測交互作用,見 常見設計。

觀察研究的類型 ​

類型說明例子能估計
橫斷面 (cross-sectional)單一時間點快照今天的收入與健康調查盛行率、關聯
世代 (cohort)追蹤一群人往前看追蹤吸菸者 vs 非吸菸者 10 年發生率、相對風險 (RR)
病例對照 (case-control)比較有結果 vs 無結果者的過去暴露肺癌病人 vs 健康者只能估 odds ratio
回溯性 (retrospective)使用既有紀錄回頭看過去 5 年病歷依設計而定

Bradford Hill 準則用來判斷觀察到的關聯是否可能為因果:關聯強度、一致性、時序性(因必須在果之前)、劑量反應、生物合理性等。

檢查資料的實驗結構 ​

整潔資料 (tidy data):一列一個觀測、每個因子與結果各一欄。

python
d = pd.DataFrame({
    "subject_id": range(1, 19),
    "drug":  np.repeat(["DrugA", "DrugB"], 9),
    "dose":  np.tile(["Low", "Medium", "High"], 6),
    "block": np.repeat([1, 2, 3], 6),
    "bp":    rng.normal(130, 10, 18).round(1),
})
d.groupby(["drug", "dose"]).size().unstack()          # 每格樣本數:是否平衡、有無缺格
pd.crosstab(d["block"], d["drug"])                    # 處理是否與區集 / 批次混在一起

平衡設計 (balanced design):每格重複數相同,分析較簡單、檢定力較高,規劃時應盡量達成。

內部 vs 外部效度 ​

效度問題
內部效度 (internal validity)處理真的造成本研究觀察到的效果嗎?
外部效度 (external validity)結果能推廣到研究情境之外嗎?

控制越嚴格通常內部效度越高,但可能降低真實性。完整的效度與偏誤類型見 干擾、偏誤與效度。